Carga gruesa

• La carga gruesa son materiales de dimensiones mayores a las del grano de arena, transportados por cursos fluviales mediante reptación, arrastre o saltación.

• Esta carga suele depositarse en el lecho del río, pero también ocupa bancos laterales y bancos medianos en cursos de montaña y/o estacionales.

• La carga gruesa es una huella dactilar del río, revela su régimen de crecidas/inundaciones, así como las características geológicas y geomorfológicas de su cuenca.

Según Bunte & Abt (2001)

Según Bunte & Abt (2001)

Objetivo

• Evaluar la precisión de mediciones de clastos realizadas en terreno (ground truth) contra mediciones realizadas con técnicas fotogramétricas (semiautomáticas).

Materiales

• Drone + cámara.

• Cinta de medir.

• Dispositivo Android.

• QGIS + OpenDroneMap + ImageJ + GDAL + ODK + R

Flujo de trabajo

• Dos visitas entre julio y septiembre de 2019, para cubrir un área de ~10x15 m en un banco lateral del río Mana, proximidades de La Represa-El Cidral, Villa Altagracia.

• En la primera visita, a modo de prueba, se utilizó un plan vuelo a 10 m de altura para el drone. Se procesaron las imágenes y se determinó la altura de vuelo/GSD idónea, así como el tamaño de las etiquetas a colocar a los clastos. En esta visita también se midieron 100 clastos con cinta métrica para aplicar ground truth, las cuales mostraron correlación (de forma combinada) con las mediciones tomadas de la ortofoto.

• En la segunda visita se realizaron dos vuelos manuales sobre las 10 am, uno a 3 m (vuelo bajo) y otro a 5 m (vuelo medio).

• En el vuelo bajo se colectaron ~200 imágenes (GSD 0.8 mm), se realizó restitución y se generaron DSM, ortofoto (1 mm de resolución, y remuestre posterior a 3 mm) y otros productos.

• En el vuelo medio se tomaron ~100 imágenes, las cuales se restituyeron pero simplemente se reservaron, dado que las del vuelo bajo eran idóneas para el objetivo propuesto.

• Para ground truth, en esta visita se midieron 76 clastos con cinta métrica.

Ground truth

Ground truth

Ground truth

Mediciones semiautomáticas

## Número de rectángulos delimitadores: 11653

Mediciones semiautomáticas

Mediciones semiautomáticas

Estadísticos comparados, correlación y diferencias entre ground truth y metodología semiautomática

Estadísticos comparados

Correlación

## 
##  Welch Two Sample t-test
## 
## data:  autogt$a_auto and autogt$a_groundt
## t = -0.28937, df = 135.53, p-value = 0.7727
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -80.77942  60.15706
## sample estimates:
## mean of x mean of y 
##  275.5107  285.8219

## 
##  Welch Two Sample t-test
## 
## data:  autogt$b_auto and autogt$b_groundt
## t = 1.871, df = 141.08, p-value = 0.06342
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##   -3.569879 129.675935
## sample estimates:
## mean of x mean of y 
##  268.5736  205.5205

## 
##  Paired t-test
## 
## data:  autogt$a_auto and autogt$a_groundt
## t = -0.83672, df = 72, p-value = 0.4055
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -34.87734  14.25498
## sample estimates:
## mean of the differences 
##               -10.31118

## 
##  Paired t-test
## 
## data:  autogt$b_auto and autogt$b_groundt
## t = 5.1487, df = 72, p-value = 2.193e-06
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  38.64018 87.46588
## sample estimates:
## mean of the differences 
##                63.05303

Fallos:

• Falsos negativos: clastos codificados como “017”, “050” y “074”.

• El eje b no siempre se logra capturar adecuadamente.

• Una cantidad aun no cuantificada de falsos positivos

Discusión

• Los falsos positivos, los falsos negativos y las imprecisiones en el eje b, pueden mejorarse sobrevolando en horarios de mediodía.

• Igualmente, se lograrían mejores rectángulos delimitadores, utilizando segmentando con técnicas de machine learning.

• Una desventaja remarcable es la capacidad de cómputo requerida para la restitución fotogramétrica. Esta limitante puede solventarse adquiriendo servicios en la nube, una alternativa sólo viable si la demanda es esporádica. En caso de demanda recurrente, es preferible disponer de estación de trabajo con suficientes recursos de memoria.

• La metodología demuestra ser viable para superficies con exposición directa al sol.

• Bajo dosel, o con plantas arbustivas, la segmentación generaría resultados inapropiados o difícilmente aprovechables.

• La metodología propuesta, por su bajo coste, es una alternativa idónea para evaluar la granulometría de carga gruesa superficial, pudiendo ser útil para la detección de los peligrosos depósitos de debris flows.

Perspectivas

• Aplicar la metodología a superficies menos desafiantes (sin arbustos, con mejor iluminación), pero más grandes.

• Introducir algoritmos de machine learning en la segmentación (e.g. Weka).

• Añadir la capa de DSM para afinar mejor la segmentación de clastos.

• Analizar forma del clasto, ángulos de los ejes y evaluar tipología litológica.

• Combinar con geomórfonos.